Stance and Sentiment in Tweets
National Research Council Canada(加拿大国家研究委员会);University of Ottawa(渥太华大学)
我们经常可以从一个人的话语中检测出他/她是赞成还是反对某个特定的目标实体-他们对目标的立场。然而,一个人可以通过使用消极或积极的语言来表达对目标的相同立场。在这里,我们第一次提出了一个数据集的鸣叫-目标对注释的立场和情绪。这些目标可能会也可能不会在推文中被提及,并且它们可能会也可能不会成为推文中的意见目标。该数据集的分区在SemEval-2016共享任务竞赛中用作训练和测试集。我们提出了一个简单的立场检测系统,优于提交的所有19个团队,参加了共享的任务。此外,访问立场和情感注释使我们能够探索几个研究问题。我们表明,虽然知道的情绪所表达的推文是有益的立场分类,它本身是不够的。最后,我们使用额外的未标记的数据,通过远程监督技术和词嵌入,以进一步提高立场分类。
2016-05-05 cs.CL
Happy or grumpy? A Machine Learning Approach to Analyze the Sentiment of Airline Passengers' Tweets
Purdue University(普渡大学)
作为最广泛的社交网络服务之一,截至2022年,Twitter拥有超过3亿活跃用户。在其众多功能中,Twitter现在是消费者分享他们对产品或体验的意见的首选平台之一,包括商业航空公司提供的航班服务。本研究旨在通过使用机器学习方法分析提及航空公司的推文的情感来测量客户满意度。相关推文从Twitter的API中检索,并通过标记化和矢量化进行处理。之后,这些处理过的向量被传递到预先训练的机器学习分类器中以预测情感。除了情感分析,我们还对收集的推文进行词法分析,以模拟关键词的频率,从而提供有意义的上下文,以促进对情感的解释。然后,我们应用时间序列方法,如布林线检测情绪数据中的异常。我们使用2022年1月至7月的历史记录,证明我们的方法能够捕捉乘客情绪的突然和重大变化。这项研究有可能被开发成一个应用程序,可以帮助航空公司,以及其他几个面向客户的企业,有效地检测客户情绪的突然变化,并采取适当的措施来应对它们。
2022-09-28 cs.CL
Sentiment Analysis of Arabic Tweets: Feature Engineering and A Hybrid Approach
阿拉伯语的情感分析是一项具有挑战性的任务,由于语言的丰富形态。此外,当应用于Twitter数据时,任务变得更加复杂,这些数据被认为是高度非正式和嘈杂的。在本文中,我们开发了一种混合的方法,用于情感分析阿拉伯语的推文为一个特定的阿拉伯语方言,这是沙特方言。几个功能的设计和评估使用功能向后选择方法。然后针对多种分类模型(双向、三向、四向)开发了一种结合基于语料库和基于词典的方法的混合方法。各模型的最佳F1值分别为(69.9,61.63,55.07)。
2018-05-22 cs.CL
SenWave: A Fine-Grained Multi-Language Sentiment Analysis Dataset Sourced from COVID-19 Tweets
King Abdullah University of Science and Technology(国王阿卜杜勒·阿齐兹科技大学);University Of Florida(佛罗里达大学);University of Notre Dame(诺特丹大学)
针对COVID-19推文,构建了包含五种语言、十个情感类别的细粒度多语言情感分析数据集SenWave,并微调Transformer模型实现准确分类,揭示跨语言和地区的情绪演变。
2025-10-09 cs.CL
Sentiment of Emojis
Jožef Stefan Institute(约热夫·斯特凡研究所)
新一代的表情符号被称为emojis,越来越多地用于移动通信和社交媒体。在过去的两年里,Twitter上使用了超过100亿个表情符号。汉字是Unicode图形符号,用作表达概念和想法的速记。与少数带有明确情感内容的知名表情符号相比,有数百个表情符号。但它们的情感内容是什么呢?我们提供了第一个emoji情感词典,称为Emoji情感排名,并绘制了751个最常用emoji的情感地图。表情符号的情绪是根据它们出现的推文的情绪计算的。我们聘请了83名人工注释员,按照情绪极性(消极、中立或积极)对13种欧洲语言的160多万条推文进行了标记。大约4%的注释推文包含表情符号。对表情符号的情感分析让我们得出了几个有趣的结论。事实证明,大多数表情符号都是积极的,尤其是最受欢迎的表情符号。有表情符号和没有表情符号的推文的情感分布是显着不同的。注释者对带有表情符号的推文的一致性更高。推特倾向于出现在推文的末尾,他们的情绪极性随着距离的增加而增加。我们没有观察到13种语言的表情符号排名与表情符号情感排名之间的显着差异。因此,我们提出将表情符号情感排名作为自动化情感分析的欧洲语言独立资源。最后,本文提供了一个形式化的情绪和一个新颖的可视化的形式的情绪栏。
2015-12-08 cs.CL
JUNLP@Dravidian-CodeMix-FIRE2020: Sentiment Classification of Code-Mixed Tweets using Bi-Directional RNN and Language Tags
Jadavpur University(贾达布尔大学)
情感分析在过去二十年中一直是一个活跃的研究领域,最近,随着社交媒体的出现,对社交媒体文本的情感分析的需求越来越大。由于社交媒体文本不是一种语言,并且在本质上主要是代码混合的,因此传统的情感分类模型无法产生可接受的结果。本文试图解决这一研究问题,并使用双向LSTM与语言标记,以促进情感标记的代码混合泰米尔语文本已从社交媒体中提取。在测试数据上进行评估时,所提出的算法的精确度、召回率和F1分数分别为0.59、0.66和0.58。
2020-10-20 cs.CL
Sentiment Analysis for Twitter : Going Beyond Tweet Text
National University of Singapore(新加坡国立大学)
分析推文的情绪很重要,因为它有助于确定用户的意见。了解人们的意见对于从收集有关客户群、电子政务、竞选活动等方面的知识开始的几个目的至关重要。在这份报告中,我们的目标是开发一个系统来检测从推文的情绪。我们采用几种语言特征以及其他一些外部信息源来检测推文的情感。我们发现,增加140个字符长的推文,从推文中共享的外部URL以及社交媒体功能中获取的信息,可以显着提高情感预测的准确性。
2016-11-29 cs.CL cs.SI
SemEval-2020 Task 9: Overview of Sentiment Analysis of Code-Mixed Tweets
University of Houston(休斯顿大学);IIIT Delhi(印度德里信息技术学院);IIIT Sri City(印度斯里城信息技术学院);NTNU(挪威科技大学);Wipro AI Labs(威普罗人工智能实验室)
在本文中,我们介绍了SemEval-2020任务9对代码混合推文的情感分析(SentiMix 2020)的结果。我们还发布并描述了我们的Hinglish(印地语-英语)和Spanglish(西班牙语-英语)语料库,这些语料库使用单词级语言识别和短语级情感标签进行注释。这些语料库分别由20 K和19 K个示例组成。情绪标签是-积极,消极和中性。SentiMix共吸引了89个参赛作品,其中包括61个参加Hinglish比赛的团队和28个参加Spanglish比赛的团队。最好的成绩是75.0%F1的Hinglish和80.6%F1的Spanglish。我们观察到BERT类模型和集成方法是参与者中最常见和最成功的方法。
2020-08-10 cs.CL
M2SA: Multimodal and Multilingual Model for Sentiment Analysis of Tweets
Faculty of Humanities and Social Sciences, University of Zagreb(萨格勒布大学人文与社会科学学院);Computational Linguistics, University of Potsdam(波茨坦大学计算语言学系)
本文针对多语言推文情感分析缺乏多模态数据的问题,将现有文本 Twitter 情感数据集整理扩展为多模态格式并进行基线实验,证明情感调优 LLM 文本编码器表现优异。
2024-06-12 cs.CL
A Clustering Analysis of Tweet Length and its Relation to Sentiment
Columbus State University(哥伦布州立大学)
执行Twitter数据的情感分析。研究者通过本文做出了以下贡献:(1)探索了一种使用现有情感词典作为种子词来推导情感得分词典的创新方法,以及(2)基于推文长度进行聚类推文情感得分分析。
2015-02-18 cs.CL cs.IR cs.SI
How Will Your Tweet Be Received? Predicting the Sentiment Polarity of Tweet Replies
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Harvard Medical School(哈佛医学院);Sharif University of Technology(谢里夫理工大学)
Twitter情感分析通常侧重于预测推文的极性,在过去几年中引起了越来越多的关注,特别是随着深度学习(DL)的兴起。在本文中,我们提出了一个新的任务:预测(一阶)回复到一个给定的鸣叫之间的主要情绪。因此,我们创建了RETWEET,这是一个用情感标签手动注释的推文和回复的大型数据集。作为一个强有力的基线,我们提出了一个两阶段的DL为基础的方法:首先,我们创建自动标记的训练数据应用标准的情感分类器,以推文回复和聚合其预测为每个原始推文;我们的理由是,由分类器的个别错误很可能会抵消在聚合步骤。其次,我们使用自动标记的数据进行神经网络的监督训练,以预测来自原始推文的回复情绪。在新的RETWEET数据集上对所得分类器进行评估,显示出有希望的结果,特别是考虑到它是在没有任何手动标记数据的情况下训练的。数据集和基线实施都是公开的。
2021-04-21 cs.CL cs.LG
A Multi-task Model for Sentiment Aided Stance Detection of Climate Change Tweets
L3S Research Center(L3S研究中心)
气候变化已成为我们时代最大的挑战之一。Twitter等社交媒体平台在提高公众意识和传播有关当前气候危机危险的知识方面发挥着重要作用。随着通过社交媒体开展的关于气候变化的运动和宣传越来越多,这些信息可以提高认识,并接触到公众和决策者。然而,这些Twitter通信导致信仰两极分化,意见主导的意识形态,并经常分裂为两个社区的气候变化否认者和信徒。在本文中,我们提出了一个框架,有助于识别否认Twitter上的声明,从而分类的立场的推文到两个对气候变化的态度(否认者/信徒)之一。Twitter关于气候变化的数据的情感方面深深植根于公众对气候变化的态度。因此,我们的工作重点是学习两个密切相关的任务:气候变化推文的立场检测和情感分析。我们提出了一个多任务框架,执行立场检测(主要任务)和情感分析(辅助任务)同时进行。该模型结合了特征特定和共享特定的注意框架,融合多个特征,并学习两个任务的广义特征。实验结果表明,该框架提高了主要任务的性能,即,通过受益于辅助任务,即,情感分析与其单模态和单任务变体相比。
2022-11-07 cs.CL
#Coronavirus or #Chinesevirus?!: Understanding the negative sentiment reflected in Tweets with racist hashtags across the development of COVID-19
Nanyang Technological University(南洋理工大学);IBM Research Australia(IBM澳大利亚研究院)
在全球爆发COVID-19的背景下,我们的研究丰富了关于社交媒体上出现的种族主义和仇外心理的讨论。通过从Twitter中提取的大数据,我们专注于分析带有种族主义标签的推文中反映的负面情绪,因为种族主义和仇外心理更有可能通过负面情绪传递。特别是,我们提出了一种基于阶段的方法,以捕捉负面情绪如何随着COVID-19的三个发展阶段而变化,在这三个阶段下,COVID-19从国内疫情转变为国际公共卫生紧急情况,后来又转变为全球大流行。在每个阶段,情感分析使我们能够识别带有种族主义标签的推文中的负面情绪,关键字提取允许发现这些推文表达负面情绪的主题。在这场人类公共健康危机下,这种基于阶段的方法使我们能够为制定针对特定阶段的干预策略提供政策建议,以更有效的方式打击社交媒体上的种族主义和仇外心理。
2020-05-17 cs.CL cs.SI
Ensembling Multilingual Transformers for Robust Sentiment Analysis of Tweets
Department of Computer Science, University of South Carolina, USA(南卡罗来纳大学计算机科学系);Artificial Intelligence Institute, University of South Carolina, USA(南卡罗来纳大学人工智能研究所);Department of Civil, Environmental, and Ocean Engineering, Stevens Institute of Technology, New Jersey, USA(史蒂文斯理工学院土木、环境与海洋工程系);School of Computing, University of Nebraska–Lincoln, Lincoln, Nebraska, USA(内布拉斯加大学林肯分校计算机学院);Department of Computer Science, Bowling Green State University, Bowling Green, Ohio, USA(伯灵顿州立大学计算机科学系)
针对外语场景缺乏标注数据导致的推文情感分析难题,本文集成 bert-base-multilingual-uncased-sentiment 与 XLM-R,并结合 LLM,在多语言数据集上取得超过 86% 的性能。
2025-09-28 cs.CL
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto(波尔图大学)
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析,我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
Covid-19 Public Sentiment Analysis for Indian Tweets Classification
PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur(PDPM印度信息技术、设计与制造学院(贾巴尔普尔))
本文针对印度新冠疫情相关推文,提出提取 Twitter 数据并进行情感分析的方法,以处理高度非结构化、异质化的观点信息并判断其积极、消极或中立倾向。
2023-08-01 cs.CL cs.SI
Detecting Group Beliefs Related to 2018's Brazilian Elections in Tweets A Combined Study on Modeling Topics and Sentiment Analysis
Federal University of Rio Grande do Sul(南里奥格兰德联邦大学);Federal University of Health Sciences of Porto Alegre(阿雷格里港联邦健康科学大学)
2018年的巴西总统选举凸显了Twitter等另类媒体和社交网络的影响力。在这项工作中,我们进行了分析,包括政治动机的话语有关的第二轮巴西选举。为了验证类似的话语是否会加强群体对个人信仰的参与,我们收集了当时与政治标签相关的一组推文。为此,我们使用了主题建模方法与意见挖掘技术相结合,分析动机的政治话语。使用SentiLex-PT,葡萄牙语情感词典,我们从数据集中提取了与观点相关的前5个最常见的单词组。应用词袋模型,余弦相似度计算之间的每个意见和观察组。这项研究使我们能够观察到,在数字政治场景中,作为对传达类似信仰的群体的欣赏和参与的一种形式,激情话语的使用加剧了。
2020-05-31 cs.CL
`Who would have thought of that!': A Hierarchical Topic Model for Extraction of Sarcasm-prevalent Topics and Sarcasm Detection
Indian Institute of Technology Bombay(印度理工学院孟买分校);Monash University(莫纳什大学);IITB-Monash Research Academy(印度理工学院孟买分校-莫纳什研究学院);IIT-BHU (Varanasi)(印度理工学院贝纳拉斯印度教大学分校(瓦拉纳西))
主题模型已被报道是有益的方面为基础的情感分析。本文报告了一个简单的主题模型的讽刺检测,第一,尽我们所知。设计的直觉的基础上,讽刺的推文很可能有一个混合的话,这两种情绪对推文与文字的情绪(无论是积极的还是消极的),我们的分层主题模型发现了流行的主题和主题级的情绪。使用使用标签标记的推文数据集,该模型估计主题级别和情感级别的分布。我们的评估表明,“工作”、“枪支法”、“天气”等话题是最受欢迎的话题。我们的模型还能够发现存在于给定情感相关标签的文本中的情感承载词的混合物。最后,我们应用我们的模型来预测推文中的讽刺。我们优于两个先前的工作的基础上统计分类与特定功能,约25%。
2016-11-22 cs.CL
KINLP at SemEval-2023 Task 12: Kinyarwanda Tweet Sentiment Analysis
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
本文提出面向卢旺达语推文情感分析的两层 transformer 语言专用模型,通过多任务掩码形态预测预训练并支持无代码微调,最终在 SemEval-2023 任务 12 的 34 支队伍中获第二名、加权 F1 为 72.50%。
2023-04-25 cs.CL
L3CubeMahaSent: A Marathi Tweet-based Sentiment Analysis Dataset
Pune Institute of Computer Technology(浦那计算机技术学院);L3Cube;Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
情感分析是自然语言处理中最基本的任务之一。流行语言如英语、阿拉伯语、俄语、普通话,以及印度语如印地语、孟加拉语、泰米尔语在这方面已经做了大量的工作。然而,由于缺乏适当的数据集,印度第三大最受欢迎的语言马拉地语仍然落后。在本文中,我们提出了第一个主要的公开可用的马拉地语情感分析数据集-L3立方体MahaSent。它是使用从各种马哈拉施特拉邦人物的Twitter帐户中提取的推文策划的。我们的数据集由大约16,000条不同的推文组成,分为三大类,即积极,消极和中性。我们还提出了我们注释推文的指导方针。最后,我们使用CNN、LSTM、ULMFiT和基于BERT的深度学习模型来展示数据集的统计数据和基线分类结果。
2021-04-22 cs.CL cs.LG
Modeling Rich Contexts for Sentiment Classification with LSTM
Tsinghua University(清华大学)
对tweets和weibo等社交媒体数据进行情感分析已成为一项非常重要且具有挑战性的任务。由于这些数据的内在属性,推文是短的,嘈杂的,并且具有不同的主题,并且对这些数据的情感分类需要对各种上下文进行建模,例如推文的转发/回复历史,以及关于作者和关系的社会上下文。虽然之前很少有研究涉及推文中的上下文建模问题,但本文提出使用分层LSTM来建模推文中的丰富上下文,特别是长距离上下文。实验结果表明,上下文可以帮助我们更好地执行情感分类。
2016-05-05 cs.CL cs.IR cs.SI
On Gobbledygook and Mood of the Philippine Senate: An Exploratory Study on the Readability and Sentiment of Selected Philippine Senators' Microposts
Institute of Computer Science(计算机科学研究所);University of the Philippines Los Baños(菲律宾大学洛斯巴诺斯分校)
本文介绍了一个可读性评估和情感分析的结果,选择六个菲律宾参议员的微博在流行的Twitter微博。使用Gobbledygook(SMOG)的简单测量,参议员Cayetano,Defensor-Santiago,Pangilinan,Marcos,Guingona和Escudero的推文进行了评估。还进行了情感分析,以确定参议员各自微博的极性。结果显示,平均而言,六名参议员的推特水平为8到10个SMOG。这意味着,至少一个六年级学生将能够理解参议员的推文。此外,他们的推文大多是中立的,他们的情绪在一段时间内一致变化。这可能意味着参议员的推文情绪受到菲律宾特定事件的影响。
2015-08-06 cs.CL cs.CY
ArSentD-LEV: A Multi-Topic Corpus for Target-based Sentiment Analysis in Arabic Levantine Tweets
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);American University of Beirut(贝鲁特美国大学);Qatar University(卡塔尔大学)
情感分析是一项非常主观和具有挑战性的任务。当应用于阿拉伯语时,其复杂性进一步增加,主要是因为大量的方言是不标准化的,并且在网络中广泛使用,特别是在社交媒体中。虽然已经发布了许多数据集来用阿拉伯语训练情感分类器,但这些数据集中的大多数都包含浅层注释,仅将文本单元的情感标记为单词,句子或文档。在本文中,我们提出了阿拉伯语情绪Twitter数据集的黎凡特方言(ArSenTD-LEV)。根据对黎凡特地区推文的分析结果,我们创建了一个包含4,000条推文的数据集,并附有以下注释:推文的总体情绪、表达情绪的目标、表达情绪的方式以及推文的主题。结果证实了这些注释在提高基线情感分类器性能方面的重要性。他们还证实了在某个领域的培训和在另一个领域的测试之间的差距。
2019-05-25 cs.CL cs.IR cs.LG
Sentiment Analysis of Covid-19 Tweets using Evolutionary Classification-Based LSTM Model
RCC Institute of Information Technology(RCC信息技术学院);Maulana Abul Kalam Azad University of Technology(毛拉纳·阿布·卡拉姆·阿扎德技术大学)
随着新型冠状病毒疫情在全球各地迅速爆发,并影响数百万人的生活,多个国家宣布全面封锁,以控制疫情的严重程度。在封锁期间,社交媒体平台在全球传播有关疫情的信息方面发挥了重要作用,因为人们习惯通过社交网络表达自己的感受。考虑到这种灾难性的情况,我们开发了一种实验方法来分析人们在Twitter上的反应,直接或间接地基于这种流行病来计算流行词。本文介绍了对收集的大量关于冠状病毒或Covid-19的推文进行的情感分析。首先,我们使用进化分类和n-gram分析来分析公众对新冠肺炎疫情相关话题的情绪趋势。然后,我们根据他们的类别计算了收集到的推文的情感评分。最后,我们使用两种类型的评级推文来训练长短期网络,以预测Covid-19数据的情绪,并获得了84.46%的总体准确率。
2021-06-13 cs.CL cs.IR
Sentiment Analysis of Typhoon Related Tweets using Standard and Bidirectional Recurrent Neural Networks
Bicol University(比科尔大学)
菲律宾是台风、洪水、火山爆发和地震等自然灾害的共同点。Twitter是菲律宾最常用的社交媒体平台之一,从2013年11月1日到2014年1月31日,共获得了39,867条预处理的推文。情感分析确定给定一系列单词的潜在情感。本研究的主要目的是确定菲律宾人民发送的推文中表达的情绪之前,期间和之后的台风尤兰达使用两种变化的循环神经网络;标准和双向。使用各种超参数训练后生成的最佳模型,使用标准RNN进行细粒度分类的准确率为81.79%,使用双向RNN进行二进制分类的准确率为87.69%。调查结果显示,51.1%的推文是积极的,表达了对受害者的支持,爱和勇气的话语; 19.8%是消极的,表达了对生命损失的悲伤和绝望以及对腐败官员的仇恨;而其他29%是来自当地新闻台的中立推文,宣布救援行动,捐款活动和公民的观察。
2019-08-03 cs.CL cs.NE
HausaNLP at SemEval-2023 Task 12: Leveraging African Low Resource TweetData for Sentiment Analysis
Kaduna State University(卡杜纳州立大学);University of Bucharest(布加勒斯特大学);University of Abuja(阿布贾大学);Nile University(尼罗河大学);Universiti Teknologi PETRONAS(马来西亚石油科技大学);Bayero University Kano(卡诺贝罗大学);Shehu Shagari College of Education(谢胡·沙加里教育学院);Ahmadu Bello University, Zaria(扎里亚艾哈迈德·贝罗大学);HausaNLP(豪萨语自然语言处理研究组)
该研究面向 14 种低资源非洲语言,评估多种预训练语言模型在 SemEval-2023 情感分析三个子任务上的表现,发现 Afro-xlmr-large 整体最优,且数据量更大的 Hausa、Igbo 和 Yoruba 性能更好。
2023-04-26 cs.CL
Atalaya at TASS 2019: Data Augmentation and Robust Embeddings for Sentiment Analysis
Universidad Nacional de Córdoba(科尔多瓦国立大学);CONICET(阿根廷国家科学技术研究委员会)
在本文中,我们描述了我们参与TASS 2019的情况,这是一项旨在检测西班牙推文情感极性的共享任务。我们结合了不同的表示,如词袋,字符袋和推文嵌入。特别是,我们训练了鲁棒的子词感知词嵌入,并使用加权平均策略计算了推文表示。我们还使用了两种数据增强技术来处理数据稀缺性:双向翻译增强和实例交叉增强,这是一种通过组合推文的一半来生成新实例的新技术。在实验中,我们训练了线性分类器和集成模型,尽管我们的方法很简单,但仍然获得了极具竞争力的结果。
2019-09-25 cs.CL cs.LG
What Sentiment and Fun Facts We Learnt Before FIFA World Cup Qatar 2022 Using Twitter and AI
Hamad Bin Khalifa University(哈马德·本·哈利法大学);HKUST(香港科技大学)
本文提出了一种基于机器学习和Vader算法的情感分析解决方案,通过收集至少13万条与2022年卡塔尔世界杯相关的Twitter推文,揭示了世界杯开幕前公众的积极情感和相关趣闻。
2023-06-28 cs.CL cs.SI
Deep Learning Brasil -- NLP at SemEval-2020 Task 9: Overview of Sentiment Analysis of Code-Mixed Tweets
Federal University of Goiás(戈亚斯联邦大学)
在本文中,我们描述了一种方法来预测情绪代码混合推文(印度英语)。我们的团队在CodaLab中称为verissimo. Verzel开发了一种基于四种模型(MultiFiT,BERT,AL BERT和XLNET)的集成的方法。最终的分类算法是这四个模型的所有softmax值的一些预测的集合。在SemEval 2020挑战赛(任务9)的背景下使用和评估了该架构,我们的系统在F1得分上获得了72.7%。
2020-07-28 cs.CL cs.IR cs.LG
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University(PES大学)
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示,在很短的时间内,与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析,以及不同国家的人们的情绪如何随时间发生变化。此外,为了确定冠状病毒对日常生活的影响,我们收集了与在家工作(WFH)和在线学习相关的推文,并观察了情绪随时间的变化。此外,各种机器学习模型,如长短期记忆(LSTM)和人工神经网络(ANN),实现了情感分类,并确定其准确性。还对一个数据集进行了探索性数据分析,该数据集提供了一些受影响最严重的国家每天确诊病例数的信息,以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
Twitter Opinion Topic Model: Extracting Product Opinions from Tweets by Leveraging Hashtags and Sentiment Lexicon
ANU & NICTA(澳大利亚国立大学与NICTA);Monash University(莫纳什大学)
基于属性的意见挖掘被广泛应用于对数据进行汇总或归纳,目前的最新研究成果是基于潜在狄利克雷分配(LDA)模型。虽然像tweet这样的社交媒体数据充满了意见,但它们的“肮脏”性质(作为自然语言)阻碍了研究人员将基于LDA的意见模型应用于产品评论挖掘。推文通常是非正式的,非结构化的,缺乏分类和评级等标记数据,这使得产品意见挖掘具有挑战性。在本文中,我们提出了一个基于LDA的意见模型命名为Twitter的意见主题模型(TOTM)的意见挖掘和情感分析。TOTM在其发现过程中利用了推文中存在的主题标签、提及、表情符号和强烈情感词。它通过直接对目标-意见交互进行建模来改进意见预测,从而发现目标特定的意见词,这在现有方法中被忽略了。此外,我们提出了一个新的配方,将情感先验信息的主题模型,利用现有的公众情绪词典。这是新颖的,因为它可以学习和更新数据。我们进行了实验,900万电子产品的推文,并证明了改进的性能TOTM在定量评价和定性分析。我们表明,基于方面的意见分析大量的推文提供了有用的意见,产品。
2016-09-21 cs.CL cs.IR cs.LG
Sentiment Analysis of Persian-English Code-mixed Texts
University of Tehran(德黑兰大学)
互联网上数据的快速生成以及从商业和研究角度了解用户感受的需求促使了许多自动单语情感检测系统的创建。然而,最近,由于社交媒体上数据的非结构化性质,我们观察到更多的多语言和代码混合文本的实例。内容类型的这种发展产生了对代码混合情感分析系统的新需求。在这项研究中,我们收集,标签,从而创建一个数据集的波斯语-英语代码混合鸣叫。然后,我们继续介绍一个模型,该模型使用BERT预训练的嵌入以及翻译模型来自动学习这些推文的极性分数。我们的模型优于使用朴素贝叶斯和随机森林方法的基线模型。
2021-02-25 cs.CL
Deep Learning-based Sentiment Analysis of Olympics Tweets
The University of Burdwan(布尔达万大学)
本研究利用深度学习模型(包括CNN、BiLSTM和BERT)对奥运会推文进行情感分析,其中BERT模型以99.23%的最高准确率有效分类全球观众情绪。
2024-07-17 cs.CL cs.LG
Overview of the Arabic Sentiment Analysis 2021 Competition at KAUST
KAUST(阿卜杜拉国王科技大学);University of Jeddah(吉达大学);Lucidya;KAU(阿卜杜勒阿齐兹国王大学)
本文概述了阿卜杜拉国王科技大学(KAUST)组织的阿拉伯情感分析挑战赛。这项挑战的任务是开发机器学习模型,将给定的推文分类为三个类别之一:积极,消极或中性。从我们最近发布的ASAD数据集来看,我们为竞争对手提供了55K的推文用于训练,20K的推文用于验证,根据这些推文,参与团队的表现在排行榜上排名,https://www.kaggle.com/c/arabic-sentiment-analysis-2021-kaust。比赛共收到来自74支队伍(99名队员)的1247份参赛作品。最终的获胜者由另一个私有的20K tweet集决定,这些tweet集与训练和验证集具有相同的分布。在本文中,我们提出了在竞争中的主要发现,并总结了排名靠前的团队使用的方法和工具。完整的10万条标签推文数据集也在https://www.kaggle.com/c/arabic-sentiment-analysis-2021-kaust/data上发布供公众使用。
2021-09-29 cs.CL cs.LG
A hybrid transformer and attention based recurrent neural network for robust and interpretable sentiment analysis of tweets
Khulna University of Engineering & Technology (KUET)(库尔纳工程技术大学);Advanced Machine Intelligence Research (AMIR) Lab(高级机器智能研究实验室);American International University-Bangladesh(孟加拉国美国国际大学);Chowagiken Corp.(Chowagiken公司);University of Asia Pacific(亚太大学);University of Aizu(会津大学)
针对现有情感分析模型在语言多样性、泛化性和可解释性上的不足,提出融合Transformer、注意力机制与BiLSTM的TRABSA框架,在多数据集上达94%准确率,结合SHAP和LIME提升可解释性,可助力疫情资源管理。
2024-11-02 cs.CL cs.LG
SemEval-2015 Task 10: Sentiment Analysis in Twitter
Columbia University(哥伦比亚大学);National Research Council Canada(加拿大国家研究委员会);Qatar Computing Research Institute(卡塔尔计算研究所);The Ohio State University(俄亥俄州立大学);Facebook(脸书)
在本文中,我们描述了Twitter中情感分析的SemEval共享任务的2015年迭代。这是迄今为止最受欢迎的情感分析共享任务,在过去三年中,每年都有40多个团队参与。今年的共享任务竞赛由五个情绪预测子任务组成。其中两个是前几年的重播:(A)在推文背景下由短语表达的情绪,以及(B)推文的整体情绪。我们还包括三个新的子任务,要求预测(C)单个推文中对主题的情感,(D)一组推文中对主题的整体情感,以及(E)短语的优先极性程度。
2019-12-05 cs.CL cs.IR cs.LG
Identifying negativity factors from social media text corpus using sentiment analysis method
University of Balochistan(俾路支大学);SBK Women’s University Balochistan(俾路支SBK女子大学);Institute of Management Sciences(管理科学研究所)
自动情感分析在决策中起着重要的作用。许多组织花费大量预算通过手动查看他们的反馈/评论或推文来了解他们的客户满意度。自动情感分析可以给出针对任何事件、产品或活动接收到的评论的整体画面。通常,评论/推文被分为两个主要类别,即负面或正面。然而,负面评论过于抽象,无法理解基本原因或上下文。各组织有兴趣查明消极的确切原因。在这项研究中,我们分层地进入负面评论,并将它们与更多的类联系起来。推文是从Twitter和Facebook等社交媒体网站提取的。如果情感分析将任何推文分类为负面类别,则我们进一步尝试将该负面评论与更多可能的负面类别相关联。根据专家意见,负面评论/推文进一步分为8类。不同的机器学习算法进行评估,并报告其准确性。
2021-07-06 cs.AI cs.CL
The emojification of sentiment on social media: Collection and analysis of a longitudinal Twitter sentiment dataset
Queen Mary University of London(伦敦玛丽女王大学)
针对社交媒体情感纵向研究的空白,构建了含1.84亿条推文、跨度超七年的TM-Senti远程监督情感数据集,分析发现emoji使用量逐渐超过emoticon,且数据集可基于公开存档完整还原。
2025-03-24 cs.CL cs.DL cs.SI
Political Sentiment Analysis of Persian Tweets Using CNN-LSTM Model
University of Tehran(德黑兰大学);Tarbiat Modares University(塔比亚特·莫达雷斯大学)
本文提出CNN-LSTM模型结合ParsBERT嵌入进行波斯语政治推文情感分析,在保持性能的同时减少训练时间,最高准确率达89%。
2023-08-29 cs.CL cs.IR
Twitter Sentiment Analysis
这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类:积极的,消极的或中性的。Twitter是一个在线微博和社交网络平台,允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务,拥有超过2亿注册用户-其中1亿是活跃用户,其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用,我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要,例如公司试图找出他们的产品在市场上的反应,预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器,用于对未知的推文流进行准确和自动的情感分类。
2015-09-14 cs.CL cs.IR cs.SI
Spam and Sentiment Detection in Arabic Tweets Using MARBERT Model
Imam Abdulrahman Bin Faisal University(伊玛目阿卜杜勒拉赫曼·本·法伊塞尔大学);Saudi Telecom Company(沙特电信公司);Saudi Aramco Cybersecurity Chair(沙特阿美网络安全主席)
本研究利用MARBERT模型对阿拉伯语推文进行情感分析,以提升沙特电信公司客户服务,在24,513条推文数据集上取得了优于现有技术的准确率。
2026-06-25 cs.AI cs.CL
Enhancing Financial Sentiment Analysis with Expert-Designed Hint
Artificial Intelligence Research Center, AIST(人工智能研究中心(AIST));Ochanomizu University(御茶水女子大学);University of Tokyo(东京大学)
本文提出在金融社交媒体情感分析中引入专家设计的提示(指出数字重要性),显著提升了各种LLMs的性能,特别是对包含货币相关数字的推文,并验证了心智理论在NLP中的适用性。
2024-09-26 cs.CL
LEBANONUPRISING: a thorough study of Lebanese tweets
Lebanese International University(黎巴嫩国际大学)
最近的研究表明,人们对社交网络情感分析产生了极大的兴趣。Twitter是一个微博客服务,可以成为用户对某个话题的看法,或者他们对社会,经济甚至政治问题的看法的重要信息来源。10月17日,黎巴嫩见证了一场革命的开始;“黎巴嫩起义”的标签在推特上迅速传播开来。在10月18日至21日期间收集了由100,000条推文组成的数据集。在本文中,我们使用不同的机器学习算法,对黎巴嫩阿拉伯语口语中与黎巴嫩起义主题标签相关的推文进行了情感分析研究。对数据集进行手动注释,以测量精确度和召回率指标,并在不同算法之间进行比较。此外,本文完成的工作提供了两个贡献。第一个是建立一个黎巴嫩到现代标准阿拉伯语的映射字典,用于推文的预处理,第二个是尝试从情感分析转移到使用表情符号的情感检测,我们试图预测的两种情感是“讽刺”和“有趣”的情感。我们从2019年10月收集的推文中构建了一个训练集,然后使用该集来预测我们在2020年5月至8月期间收集的推文的情绪和情感。我们进行的分析显示了两个数据集之间的情感,情绪和用户的变化。我们获得的结果似乎令人满意,特别是考虑到据我们所知,以前没有涉及黎巴嫩阿拉伯语推文的类似工作。
2020-09-30 cs.CL cs.LG
An Exploratory Study of Tweets about the SARS-CoV-2 Omicron Variant: Insights from Sentiment Analysis, Language Interpretation, Source Tracking, Type Classification, and Embedded URL Detection
University of Cincinnati(辛辛那提大学)
本文介绍了一项探索性研究的结果,该研究针对Twitter上不断生成的大数据,这些数据与分享有关COVID-19大流行的信息、新闻、观点、意见、想法、反馈和经验有关,特别关注Omicron变体,这是目前SARS-CoV-2的全球主要变体。共研究了12028条关于Omicron变体的推文,并分析了推文的具体特征,包括情感,语言,来源,类型和嵌入式URL。这项研究的结果是多方面的。首先,从情感分析中,观察到50.5%的推文具有中性情感。其他情绪-坏的,好的,可怕的和伟大的分别在15.6%,14.0%,12.5%和7.5%的推文中被发现。其次,语言翻译的结果显示,65.9%的推文是用英语发布的。其次是西班牙语、法语、意大利语和其他语言。第三,来源追踪的结果显示,Android版Twitter与35.2%的推文相关。紧随其后的是Twitter Web App、iPhone版Twitter、iPad版Twitter和其他来源。第四,研究推文的类型发现,转发占推文的60.8%,其次是原创推文和回复,分别占推文的19.8%和19.4%。第五,在嵌入URL分析方面,发现最常见的嵌入推文的域名是twitter.com,其次是biorxiv.org,nature.com和其他域名。最后,为了支持该领域的类似研究,我们开发了一个Twitter数据集,该数据集包含自2021年11月24日首次发现该变体病例以…
2022-07-20 cs.CL cs.LG cs.SI
Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad(阿拉哈巴德大学)
在当今的数字世界中,社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具(如Twitter,Facebook,YouTube等)。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中,我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中,我们使用了线性支持向量分类器方法,也使用了词频逆文档频率(TF-IDF)方法来处理推文的文本数据。此外,我们增加了模型的能力,以解决一些用户发布的讽刺性推文,这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar(布巴内斯瓦尔印度理工学院);G.G Vishwavidyalaya, Central University(G.G大学(中央大学))
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论,从Twitter收集的公众情绪很可能与道琼斯工业平均指数(DJIA)相关。这项工作的论文是观察一家公司的股票价格的变化,上涨和下跌,与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中,我们应用情感分析和监督机器学习原则,从twitter上提取的推文,并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式,积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票,因此该公司的股价会上涨。文章最后指出,股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
Decision Tree J48 at SemEval-2020 Task 9: Sentiment Analysis for Code-Mixed Social Media Text (Hinglish)
University of Leeds(利兹大学);School of Computing(计算机学院)
本文讨论了用于为SemEval-2020任务9中给出的问题提供解决方案的系统的设计,其中需要执行代码混合语言印地语和英语的情感分析。该系统使用Weka作为工具来提供用于推文分类的分类器,并且使用python来从所提供的文件中加载数据并对其进行清理。仅将部分训练数据提供给系统以用于对测试数据集中的推文进行分类,在该测试数据集中对系统进行了评估。系统性能使用官方竞争评估指标F1-score进行评估。在两组训练数据上训练分类器,得到F1分数为0.4972和0.5316。
2020-08-26 cs.CL
SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification
Arizona State University(亚利桑那州立大学)
社交媒体中的情绪越来越被认为是客户细分,市场理解和解决其他社会经济问题的重要资源。然而,社交媒体中的情绪很难衡量,因为用户生成的内容通常很短,而且不正式。虽然许多传统的情感分析方法已经被提出,识别俚语情感词仍然没有解决。原因之一是俚语情感词在现有的词典或情感词典中不可用。为此,我们建议建立第一个俚语情感词典,以帮助对社交媒体内容进行情感分析。收集和标注一个完整的俚语列表的情感极性是费力和耗时的。我们提出了一种方法,利用网络资源,构建一个广泛的俚语情感词词典(SlangSD),易于维护和扩展。SlangSD可公开用于研究目的。我们经验表明,使用SlangSD,新建成的俚语情感词词典的情感分类的优势,并提供的例子证明其易用性与现有的情感系统。
2016-08-17 cs.CL
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT(麻省理工学院)
随着Twitter的普及和普及,对推文的情感分析已经成为一个重要的研究领域。然而,对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面,推特缺乏结构,但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点,不同的时代,不同的作者,有着不同的情感价值。在本文中,我们通过利用远程监督收集来自不同地点,时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者,时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系,我们就使用贝叶斯方法将这些变量与更标准的语言特征(如n-gram)结合起来,创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器,表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
Sentiment Uncertainty and Spam in Twitter Streams and Its Implications for General Purpose Realtime Sentiment Analysis
University of Osnabrück(奥斯纳布吕克大学)
Twitter情感分析的最新基准没有考虑这样一个事实,即对于来自公共流的超过一半的推文,无法选择明显的情感。本文通过强调明确纳入不确定性的必要性,为Twitter情感分析提供了一个新的视角。此外,一个高质量的数据集来评估这个新问题的解决方案,并公开提供。
2015-09-25 cs.CL
BAKSA at SemEval-2020 Task 9: Bolstering CNN with Self-Attention for Sentiment Analysis of Code Mixed Text
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
代码混合文本的情感分析在意见挖掘中有着广泛的应用,从标记用户评论到识别子人群的社会或政治情感。在本文中,我们提出了一种卷积神经网络(CNN)和基于自注意力的LSTM的集成架构,用于代码混合推文的情感分析。虽然CNN组件有助于对正面和负面推文进行分类,但基于自我注意力的LSTM有助于对中性推文进行分类,因为它能够在多个情感承载单元中识别正确的情感。我们在印地语-英语(Hinglish)和西班牙语-英语(Spanglish)数据集上分别获得了0.707(排名第5)和0.725(排名第13)的F1分数。Hinglish和Spanglish任务的提交分别以用户名ayushk和harsh_6进行。
2020-07-21 cs.CL cs.LG
Stance Detection in Turkish Tweets
TÜBİTAK Energy Institute(土耳其科学技术研究委员会能源研究所)
姿态检测是自然语言处理中的分类问题,其中对于文本和目标对,期望来自集合{Favor,Against,Neither}的类结果。它类似于情感分析问题,但不是文本作者的情感,而是在立场检测中研究针对特定目标表达的立场。在本文中,我们提出了一个立场检测推文数据集土耳其包括立场注释这些推文为两个受欢迎的体育俱乐部为目标。此外,我们还提供了该数据集上每个目标的SVM分类器的评估结果,其中分类器使用unigram,bigram和hashtag特征。这项研究是有意义的,因为它提出了一个初始的立场检测数据集提出迄今为止,第一个土耳其语,尽我们所知。相应的基于SVM的方法的数据集和评估结果将形成合理的基线,用于比较未来的研究立场检测。
2017-06-21 cs.CL
Public Sentiment Toward Solar Energy: Opinion Mining of Twitter Using a Transformer-Based Language Model
University of Colorado Boulder(科罗拉多大学博尔德分校);University of Colorado Denver(科罗拉多大学丹佛分校)
公众对可再生能源的接受和支持是可再生能源政策和市场条件的重要决定因素。本文使用Twitter的数据研究了美国公众对太阳能的看法,Twitter是一个微博平台,人们在其中发布消息,称为推文。我们过滤了特定于太阳能的推文,并使用来自Transformers的鲁棒优化的双向编码器表示(RobERTa)执行分类任务。分析2020年1月底至7月初期间的71,262条推文,我们发现各州的公众情绪差异很大。在研究期间,美国东北部地区对太阳能的态度比美国南部地区更积极。太阳辐射与各州太阳情绪的变化无关。我们还发现,公众对太阳能的看法与可再生能源政策和市场条件相关,具体而言,可再生能源组合标准(RPS)目标,客户友好的净计量政策和成熟的太阳能市场。
2020-07-27 cs.CL cs.CY
Detecting Domain Polarity-Changes of Words in a Sentiment Lexicon
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Science and Technology of China(中国科学技术大学)
情感词典是情感分析的工具。可以使用情感词典中提供的一组情感词和基于词典的分类器来执行情感分类。这种方法的一个主要问题是,许多情感词是域相关的。也就是说,它们可能在某些领域是积极的,但在另一些领域是消极的。我们把这个问题称为领域极性变化的话。检测这些词并纠正它们对应用领域的情感是非常重要的。在本文中,我们提出了一种基于图形的技术来解决这个问题。在多个真实数据集上的实验结果表明了该方法的有效性。
2020-04-29 cs.CL